Startup asegura haber resuelto un cuello de botella que limitaba a los grandes modelos de lenguaje

Qué pasó

La startup Subquadratic, con sede en Miami, salió del modo stealth el mes pasado con una afirmación de gran envergadura: habría resuelto un cuello de botella matemático que durante casi una década restringió el avance de los grandes modelos de lenguaje. La compañía presentó su modelo SubQ, al que describe como más rápido, más económico y con un consumo energético significativamente menor que cualquier otra alternativa disponible en el mercado.

Según la empresa, SubQ puede procesar hasta doce veces más texto de manera simultánea que la mayoría de los modelos actuales, lo que habilitaría tareas intensivas en datos como el análisis de cientos de documentos o de bases de código completas. La firma asegura, además, que su tecnología iguala el rendimiento de los principales modelos de Google DeepMind, OpenAI y Anthropic en pruebas clave de programación.

Inicialmente, la propuesta fue recibida con escepticismo, dado que Subquadratic presentó escasa evidencia más allá de puntajes autopublicados y no entregó acceso público al modelo. El ingeniero Dan McAteer resumió el clima en la red social X con una frase que se volvió referencia: "SubQ es el mayor avance desde el Transformer... o es el Theranos de la inteligencia artificial".

Un mes después, la compañía publicó información adicional, incluyendo una ficha técnica más detallada y los resultados de una evaluación independiente ejecutada por la firma Appen, especializada en pruebas de modelos de inteligencia artificial. El cofundador y director de tecnología, Alex Whedon, reconoció que la entrega inicial generó dudas razonables y afirmó que los futuros resultados serán verificados antes de su difusión pública.

Contexto

El cuello de botella al que Subquadratic dice haber enfrentado se relaciona con la arquitectura Transformer, base de los grandes modelos de lenguaje desde 2017. Esta arquitectura presenta limitaciones en el procesamiento simultáneo de grandes volúmenes de texto, conocidas como restricciones de atención, que encarecen el entrenamiento y la inferencia a medida que los modelos crecen.

Varios laboratorios y académicos han intentado optimizar este componente mediante algoritmos de atención más eficientes o arquitecturas híbridas. Hasta ahora, ninguno había logrado una mejora de orden de magnitud sin sacrificar rendimiento, por lo que las afirmaciones de Subquadratic, de concretarse, representarían un cambio estructural en la industria.

La comparación con Theranos, la firma que infló sus resultados antes de colapsar, refleja el nivel de cautela existente ante promesas que no pueden ser verificadas de forma abierta. La práctica habitual en la industria exige que los nuevos modelos sean publicados, sometidos a pruebas por terceros y accesibles a la comunidad científica.

La evaluación de Appen constituye un primer paso, aunque queda pendiente que SubQ sea liberado para pruebas independientes más amplias. De validarse, la tecnología podría reducir significativamente los costos operativos de empresas que hoy dependen de proveedores como OpenAI, Anthropic o Google para integrar inteligencia artificial en sus procesos.

Impacto para empresas chilenas

Para el mercado chileno, una eventual reducción en los costos de procesamiento de modelos de lenguaje tendría implicancias directas en la adopción de inteligencia artificial por parte de empresas y pymes. Hoy, el acceso a modelos avanzados está condicionado por tarifas de uso por token, que encarecen proyectos de análisis documental, atención al cliente y desarrollo de software a nivel local.

Una tecnología que procese doce veces más texto por el mismo costo habilitaría casos de uso hoy prohibitivos, como la revisión completa de contratos legales, el análisis de grandes volúmenes de normativa y la auditoría de bases de código en empresas de tecnología chilenas. Sectores como servicios financieros, retail, minería y administración pública serían los principales beneficiarios.

El ecosistema emprendedor local también podría verse favorecido, con menores barreras de entrada para startups que desarrollan soluciones basadas en modelos de lenguaje, mayor competencia y productos más accesibles para el mercado nacional y regional. Universidades y centros de investigación dispondrían, a su vez, de mayor capacidad para experimentar sin enfrentar los actuales costos de inferencia.

Qué sigue

En el corto plazo, la atención estará puesta en la publicación completa del modelo y en la respuesta de la comunidad técnica internacional. La forma en que Subquadratic enfrente las pruebas abiertas y la revisión por pares será determinante para consolidar o descartar sus afirmaciones.

De confirmarse los resultados, la industria podría ingresar en una fase de reconfiguración de precios y arquitecturas, con efectos sobre proveedores establecidos, reguladores y desarrolladores. Para Chile y la región, el seguimiento de esta evolución será clave para identificar oportunidades de adopción temprana y eventuales alianzas estratégicas con actores del ecosistema global de inteligencia artificial.